我正在尝试训练 NN 来推断结构板的有限元分析结果(即应力、挠度和弯曲的最大值)。输入将是表示板坯 3d 几何形状的网格,并且当该网格的几何形状发生变化时,NN 应该能够预测 FEA 结果。
我将通过预先运行具有不同网格几何变化的适当 FEA 模拟来生成模型的训练集(我正在查看相对较小的几何变化),因此训练集将包含 5,000 到 10,000 个数据点(因为 FEA 所需的计算时间)。
我的第一个想法是使用组成网格的所有点作为不同的输入,但我担心这种“蛮力”方法与训练集中的数据点数量相比会有太多的输入。这让我开始研究卷积神经网络,认为我可以使用内核来转换我的网格并减少输入的数量。在 3d 点上使用这种方法并不容易,但已在此处 (https://arxiv.org/abs/1801.07791) 和此处 (https://arxiv.org/abs/1706.02413) 解决。唯一的问题是它随后用于分类和语义分割,而不是回归。
因此,我的问题是您认为使用所有网格点作为输入会好吗?如果没有,您是否知道任何类似的工作?您认为我附上链接的 PointNet++ 和 PointNet 方法是否与我的案例相关?
我认为可能相关的其他想法是: